在教育教學(xué)的過程中,如何診斷學(xué)生的知識水平是一個重要的問題.傳統(tǒng)方法大多由教師根據(jù)學(xué)生的表現(xiàn)和成績進行人工判斷,存在效率低、主觀性強的問題,且難以做到針對大量學(xué)生的個性化診斷.近年來,認知診斷模型中的DINA模型被廣泛應(yīng)用于診斷學(xué)生個性化知識掌握程度.然而傳統(tǒng)DINA模型大多基于小樣本數(shù)據(jù),當(dāng)面對在線教育帶來的大規(guī)模數(shù)據(jù)處理需求時,存在收斂速度慢的問題,難以實際應(yīng)用.針對DINA模型計算時間過長的問題,本文首先給出了DINA模型的收斂性證明,并提出了三種能夠加速DINA求解的算法:（1）增量算法,它將學(xué)生數(shù)據(jù)劃分為多個學(xué)生塊,每次迭代只訪問其中一個學(xué)生塊;（2）最大熵方法,它只訪問在極大化模型熵的過程中影響較大的學(xué)生數(shù)據(jù);（3）基于前兩者的混合方法.最后,本文通過真實數(shù)據(jù)和模擬數(shù)據(jù)上的實驗,分析證明了三種方法均能在保證DINA模型有效性的情況下,達到幾倍至幾十倍的加速效果,有效地改善了DINA模型的計算效率. 

【文章來源】：電子學(xué)報. 2018,46(05)北大核心EICSCD

【文章頁數(shù)】：9 頁

【參考文獻】：
期刊論文
[1]基于認知診斷的個性化試題推薦方法[J]. 朱天宇,黃振亞,陳恩紅,劉淇,吳潤澤,吳樂,蘇喻,陳志剛,胡國平.  計算機學(xué)報. 2017(01)
[2]在線教育的“后MOOC時代”——SPOC解析[J]. 康葉欽.  清華大學(xué)教育研究. 2014(01)
[3]認知診斷DINA模型研究進展[J]. 張瀟,沙如雪.  中國考試. 2013(01)



本文編號：3636946